童话——博客

特征缩放：1、一种重缩放此类特征的方法。2、公式：3、要思考的问题：如果 x_max 和 x_min 相同怎么办？例如，假设输入特征的列表是 [10, 10, 10]——分母将为零。我们的建议是通常为每个新特征指定 0.5（0.0 和 1.0 中间），但这实际上由你自己决定。要点是，这个公式可能会有问题。4、使用 RBF 核函数的 SVM和K-均值聚类机器学习算法会受到特征缩放的影...

1、Principal Component Analysis——PCA，擅长处理坐标系的移动和旋转问题。2、它是一套全面应用于各类数据分析的分析方法。3、概述原理：无论收到任何形状的数据，PCA从旧坐标系统仅通过转化和轮换获得新坐标系统，根据数据中心，将新坐标中心移动到数据中心，将新的x轴移至变化的主轴，在整个数据集中寻找最大方差的位置，进一步把轴移至正交处重要性较低的方向，主成分分析找到...

目录K—均值（K-Means）：附录：监督学习需要训练标记的数据，我们可以知道我们预测的结果。在无监督算法中数据点未被标记，我们不一定知道我们预测的结果。K—均值（K-Means）：寻找每个类的中心，中心就是表征数据的区域。 分两步：分配，优化。不停的迭代这两步，直到不再变化。局限性：局部最小值的问题，K-Means非常依赖于初始聚类中心所处的位置。>>&...

目录随机投影：sklearn 随机投影：独立成分分析（Independent Component Analysis）：sklearn 独立成分分析：应用：随机投影：1、系统计算资源有限或主成分分析太繁重，使用随机投影。2、基本前提：可以用数据集乘以一个随机矩阵，以减少其维度的数量，公式：。3、支持随机投影的理论：Johnson-Lindenstrauss Lem...

目录层次聚类：单链接聚类：全连接聚类法：组平均聚类法：离差平方和法：层次聚类sklearn：层次聚类总结：层次聚类附录：密度聚类：DBSCAN：密度聚类sklearn：密度聚类总结：密度聚类附录：层次聚类：层次聚类：单连接聚类、全连接聚类、组平均聚类、离差平方和法。单链接聚类：1、步骤：假设每个点是一个类，给每个点做标记。 ...

目录高斯混合模型：sklearn高斯混合模型：高斯混合模型总结：高斯混合模型附录：聚类分析过程：聚类验证：外部评价指标：内部评价指标：高斯混合模型：1、温和的聚类算法，这种聚类算法假定每个类都遵循特定的统计分布。2、步骤：初始化K个高斯分布 将数据集聚类成我们初始化的两个高斯——期望步骤或E步骤 基于软聚类重新估计高斯——最大化或M步骤 评估对...